remove(list = ls())
# bases de datos ELSOC
elsoc::load_elsoc(format = 'long')
elsoc::load_elsoc(format = 'wide')
# Datos de dias de cuarentena por comuna de Ministerio de Ciencia:
# Url para descarga directa de datos desde el Github del Ministerio de Ciencia
url <- "https://raw.githubusercontent.com/MinCiencia/Datos-COVID19/master/output"
## Cuarentenas desde 2020/03 hasta 2020/07/28
cuarentenas1_bruto <- read_csv(paste(url, "producto29", "Cuarentenas-Totales.csv", sep="/"))
cuarentenas1 <- cuarentenas1_bruto %>%
janitor::clean_names() %>%
mutate(fecha_de_inicio = as_date(fecha_de_inicio),
fecha_de_termino = as_date(fecha_de_termino),
# cortar en fecha 2020/07/27
fecha_de_termino = as_date(ifelse(fecha_de_termino > '2020/07/27',
make_date(2020, 07, 27),
fecha_de_termino)),
csum1 = as.numeric(fecha_de_termino - fecha_de_inicio, units = 'days')) %>%
filter(fecha_de_inicio < '2020/07/27') %>%
rename(comuna_cod = codigo_cut_comuna) %>%
group_by(comuna_cod) %>%
summarise(csum1 = mean(csum1, na.rm = TRUE)) %>%
ungroup()
## Cuarentenas desde 2020/07/28 al último día actualizado
cuarentenas2_bruto <- read_csv(paste(url, 'producto74', "paso_a_paso_std.csv", sep="/"))
cuarentenas2 <- cuarentenas2_bruto %>%
janitor::clean_names() %>%
mutate(fecha = as_date(fecha),
dia = weekdays(fecha),
cuarentena = case_when(paso==1 ~ 1,
paso==2 & dia %in% c('Saturday', 'Sunday') ~ 1,
TRUE ~ 0)) %>%
filter(zona %in% c('Urbana', 'Total')) %>%
# Días de cuarentena acumuladas desde el 2020/07/27 a la fecha de entrevista:
group_by(codigo_comuna, zona) %>%
mutate(csum2 = cumsum(cuarentena),
comuna_cod = as.numeric(codigo_comuna)) %>%
ungroup() %>%
select(fecha, comuna_cod, csum2)
# Unir fechas:
cuarentenas_acum <- full_join(cuarentenas1,
cuarentenas2,
by = 'comuna_cod') %>%
rowwise() %>%
mutate(dias_cuarentena = sum(csum1, csum2, na.rm = TRUE)) %>%
ungroup() %>%
mutate(dias_cuarentena_t = factor(car::recode(dias_cuarentena, '0 = 1; 1:50 = 2; 51:100 = 3; 101:999 = 4'),
levels = 1:4,
labels = c('0 días', '1-50 días', '51-100 días', 'Más de 100 días')))
El Centro de Estudios de Conflicto y Cohesión Social (COES) tiene el agrado de publicar el informe “Radiografía del Cambio Social,” el cual consolida los principales hallazgos longitudinales de cinco mediciones anuales del Estudio Longitudinal Social de Chile (ELSOC 2016-2021).
ELSOC es una encuesta desarrollada para analizar longitudinalmente, en un estudio panel, la evolución del conflicto y cohesión social en la sociedad chilena, basándose en modelos conceptuales descritos en la literatura nacional e internacional de las disciplinas del ámbito de la Economía, Sociología, Psicología, Ciencia Política y Estudios Urbanos. De este modo, se orienta a examinar los principales antecedentes, factores moderadores y mediadores, así como las principales consecuencias asociadas al desarrollo de distintas formas de sociabilidad en Chile.
Desde 2019 y hasta la fecha, Chile se ha visto remecido por importantes eventos que han alterado aspectos sociales, políticos y económicos de la vida nacional: la pandemia asociada al COVID-19, y las consecuencias del estallido social más grande de las últimas décadas, ocurrido a partir de octubre de 2019, el que ha desencadenado un proceso constituyente inédito en la historia de Chile.
Ambos fenómenos han significado un desafío para ELSOC, ya que afecta tanto la forma en que son levantados los datos, como las preguntas que el estudio debe abordar. Sin embargo, ELSOC presente una gran oportunidad única: la posibilidad de observar el efecto que éstos fenómenos tienen sobre la población chilena desde una perspectiva longitudinal.
El Centro de Estudios de Conflicto y Cohesión Social (COES) desarrolla investigación colaborativa en temas relacionados al conflicto social y la cohesión (convivencia) en Chile, por medio de un equipo multidisciplinario proveniente de las ciencias sociales y humanidades. COES centra sus actividades académicas y de difusión en el análisis de las múltiples manifestaciones del conflicto y cohesión social en Chile, sus causas, así como también su contexto cultural e histórico.
COES está patrocinado por la Universidad de Chile y la Pontificia Universidad Católica de Chile, y como instituciones asociadas se encuentran la Universidad Diego Portales y la Universidad Adolfo Ibáñez. COES cuenta con el apoyo del Fondo de Financiamiento de Centros de Investigación en Áreas Prioritarias (FONDAP, dependiente de la Agencia Nacional de Investigación y Desarrollo (ANID) del Ministerio de Ciencia, Tecnología, Conocimiento e Innovación. ELSOC además cuenta como socio al Instituto Milenio para la Investigación en Depresión y Personalidad (MIDAP).
El Estudio Longitudinal Social de Chile (ELSOC) es una encuesta panel, representativa de la población nacional urbana, que analiza la estabilidad y cambio de las creencias, actitudes y percepciones que tenemos los chilenos y chilenas respecto de la convivencia y del conflicto, la cohesión y una amplia gama de aspectos políticos y sociales a lo largo del tiempo.
Este estudio sigue la evolución de cerca de 4.500 chilenos y chilenas a lo largo de una década. Actualmente se encuentran disponibles 5 olas del estudio, abarcando el período entre 2016 y 2021. Sus temas de estudio y su aspecto longitudinal convierten a ELSOC en un recurso único en Chile y América Latina para analizar la evolución de la sociedad chilena y para el desarrollo de las ciencias sociales en Chile.
Durante los últimos años, ELSOC se ha consolidado como un importante insumo para el desarrollo de investigación científica y aplicada en ciencias sociales. En el sitio web http://elsoc.cl se puede acceder a más información sobre el estudio.
Las bases de datos y documentación correspondientes se encuentran disponibles, de manera libre y gratuita, en un repositorio de datos, al cual se podrá acceder en el link:
https://dataverse.harvard.edu/dataverse/elsoc
En este link se obtendrá acceso a los datos de las 5 mediciones transversales de ELSOC, así como bases longitudinales que integran las distintas mediciones. En colaboración con el Centro de Inteligencia Territorial (CIT), se pone también a disposición las bases ELSOC-CIT. Estas bases de datos permiten combinar la información de ELSOC, y estimaciones e indicadores territoriales y geoespaciales de distinta índole, proveniente de diversas fuentes de información nacional para los períodos 2016 a 2019.
ELSOC tiene un compromiso con los más altos estándares científicos en términos de producción y análisis de datos. Dentro de esta visión global, ELSOC se guía por las principales pautas de Transparencia y Apertura en la investigación científica. Por esta misma razón, los códigos utilizados para el desarrollo de este documento se encontrarán disponibles en https://github.com/centro-coes.
Unidad de Análisis: Individuos
Muestra objetivo: 3.000 individuos en muestra original (a partir de 2016) y 1.500 en muestra refresco (a partir de 2018)
Población Objetivo: Hombres y mujeres de 18 a 75 años, residentes habituales de viviendas particulares ocupadas en zonas urbanas, localizadas en 40 ciudades (92 comunas, 13 regiones) del país
Periodicidad: Anual.
Marco Muestral: Marco de muestreo de manzanas del pre-censo 2011
Diseño Muestral: Probabilístico, estratificado (por tamaño de ciudades), por conglomerados y multietápico
Unidades de Muestreo: Primero se eligen ciudades (UPM), luego manzanas (USM), y sub-bloques y viviendas (UTM). La unidad final de selección es la persona
Organismo Ejecutor: Consultora Stephanie Eckman y Centro de Inteligencia Territorial (CIT) de la Universidad Adolfo Ibáñez
Formato de aplicación: Cuestionario estructurado. Levantamiento en formato CAPI (Encuesta presencial con asistencia de tablet). Excepcionalmente se cambió a formato CATI (Encuesta telefónica con asistencia de tablet) durante 2021, debido a contingencia COVID-19
Período de Aplicación: entre Julio y Noviembre de cada año. Debido al estallido social, la cuarta medición se aplicó entre el 21 de noviembre de 2019 y el 9 de marzo de 2020. Debido a la pandemia, la quinta medición se aplicó entre el 29 de enero de 2021 y 12 de julio de 2021
Instrumento: Cuestionario compuesto por preguntas cerradas de carácter simple y múltiple junto a algunas preguntas abiertas. Combina módulos de preguntas permanentes (medidas en todas las olas) y otras intercaladas entre olas
Cobertura Temática: Contiene siete módulos temáticos: Territorio, Redes y actitudes sociales, Ciudadanía y democracia, Desigualdad y legitimidad, Conflicto social, Salud y bienestar y Caracterización sociodemográfica
Incentivos a la participación: Entrega de incentivos monetarios para el encuestado ($ 6.000 CLP) y de material sobre el estudio (ELSOC y COES). Acciones de seguimiento basadas en la información de contacto (correo electrónico para cumpleaños y días festivos)
Entrenamiento de entrevistadores: Contratación de entrevistadores con experiencia en encuestas complejas y/o longitudinales. Capacitación centralizada y presencial para coordinadores de campo y un subconjunto de entrevistadores en Santiago (incluidos ejercicios prácticos para la implementación del cuestionario, uso de tabletas y protocolo de contacto). Actividades adicionales en otras regiones de Chile. Diseño de un Manual de entrevistador especializado para el proyecto
Operaciones de Control y Supervisión: Coordinadores de campo supervisan el trabajo de entrevistadores, verificando el número de visitas, el contacto, la identidad del participante y preguntas claves. Organismo ejecutor realiza una supervisión interna de al menos el 10% de la muestra (entrevistando nuevamente a algunos encuestados), verificando la duración y la respuesta de los participantes
Organismo Ejecutor: Levantamiento a cargo de Centro Micro Datos (CMD) de la Universidad de Chile
El diseño de ELSOC contempló entrevistar a 3.000 personas en su muestra original y 1.500 en la muestra refresco. Sin embargo, es habitual que en encuestas panel se reduce el número de participantes, dado que algunos optan voluntariamente por dejar de participar y otras personas no pueden ser recontactadas. Este fenómeno es conocido como atrición, y pueden tener efectos nocivos sobre la utilidad de los datos longitudinales. En el caso de ELSOC, la tasa de atrición es comparativamente baja en comparación a otros estudios similares, por lo que no se considera al momento un problema significativo. A pesar de esto, el año 2018 se introduce una muestra refresco para contraarrestar el efecto de la atrición.
El año 2021, la atrición presenta un alza importante debido a la mayor dificultad que implica el levantamiento durante la pandemia de COVID-19 y al cambio de modalidad.
|
Muestra original
|
Muestra refresco
|
|||
|---|---|---|---|---|
| Medición | Muestra lograda | Atrición | Muestra lograda | Atrición |
| 2016 | 2 927 | |||
| 2017 | 2 473 | 15.5% | ||
| 2018 | 2 229 | 9.9% | 1 519 | |
| 2019 | 2 153 | 3.4% | 1 264 | 16.8% |
| 2021 | 1 739 | 19.2% | 1 001 | 20.8% |
Radiografía del Cambio Social tiene como objetivo fundamental caracterizar la estabilidad y el cambio en opiniones, actitudes y conductas de los participantes a lo largo del tiempo, enfocándose en distintas dimensiones de la cohesión y conflicto en Chile.
Para el logro de dicho objetivo, el presente reporte se centrará en un subconjunto de participantes del estudio: los 1.513 entrevistados y entrevistadas que participaron en las cinco olas de ELSOC (por lo tanto, todos son parte de la muestra original). Dicha submuestra será la base empírica de los hallazgos expuestos en las siguientes secciones.
A continuación se describe a este grupo de participantes según los mismos atributos sociodemográficos (sexo, edad, educación, zona de residencia y religión), considerando la primera medición. Todos los resultados presentados incorporan el diseño muestral complejo de la encuesta.
Nota 1: El promedio de edad de los participantes se ha incrementado entre estos años. También hay evidencia de un descenso en la identificación religiosa al comparar distintos años del estudio. Las otras variables no presentan variaciones relevantes a lo largo del tiempo.
Nota 2: Se utiliza el ponderador muestral ajustado a población regional y sexo, estrato y conglomerado muestral.
A continuación, se presentan los principales resultados de la encuesta ELSOC elaborados por investigadores del Centro de Conflicto y Cohesión Social (COES). Dada la diversidad de temas que son abordados en la encuesta, los investigadores colaboradores utilizaron diversos enfoques teóricos y herramientas empíricas en su análisis. Sin embargo, en Radiografía del Cambio Social se han definido una serie de criterios comunes para el desarrollo de resultados empíricos:
Levantamiento durante COVID-19
elsoc_long_2016_2021 %>%
filter(ola == 5 & tipo_atricion == 1 &
!c37_10 %in% c(-888, -999) & !c15 %in% c(-888, -999)) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
prop(c37_10 %in% 4:5, pos_id, na.rm = TRUE) %>%
sjlabelled::as_label(pos_id) %>%
ggplot(aes(y = prop, x = pos_id, fill = pos_id,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col() +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'none',
legend.title = element_blank())
elsoc_long_2016_2021 %>%
filter(ola == 5 & tipo_atricion == 1 &
!c37_09 %in% c(-888, -999) & !c15 %in% c(-888, -999)) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
prop(c37_09 %in% 4:5, pos_id, na.rm = TRUE) %>%
sjlabelled::as_label(c37_09, pos_id) %>%
ggplot(aes(y = prop, x = pos_id, fill = pos_id,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col() +
scale_y_continuous(labels = scales::percent, limits = c(0,1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'none',
legend.title = element_blank())
## 1 variables were not found in the dataset: c37_09
elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & ola %in% 3:5 & !c37_02 %in% c(-888, -999) & !c15 %in% c(-888, -999)) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
prop(c37_02 %in% 4:5, by = c(ola, pos_id), na.rm = TRUE) %>%
as_label(ola) %>%
ggplot(aes(y = prop, x = pos_id, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position= 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & ola %in% 3:5 & !c37_02 %in% c(-888, -999) & !c15 %in% c(-888, -999)) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
prop(c37_02 %in% 4:5, by = c(ola, pos_id), na.rm = TRUE) %>%
as_label(ola) %>%
ggplot(aes(y = prop, x = pos_id, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position= 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & ola %in% 3:5 &
!c37_05 %in% c(-888, -999) & !c15 %in% c(-888, -999)) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
prop(x = c37_05 %in% 4:5, by = c(ola, pos_id), na.rm = TRUE) %>%
as_label(ola) %>%
ggplot(aes(y = prop, x = pos_id, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position= 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
datos.3.2 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & !c01 %in% c(-999,-888)) %>%
prop(c01 %in% c(1), by = c(ola), na.rm = TRUE) %>%
sjlabelled::as_label(ola, c01)
## 1 variables were not found in the dataset: c01
g.3.2 <- datos.3.2 %>%
ggplot(aes(y = prop, x = ola, group = 1,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_point() +
geom_line() +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'none',
legend.title = element_blank())
g.3.2
elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & !c25 %in% c(-888,-999) &
!c15 %in% c(-888, -999) & ola == 5) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica")),
c25 = factor(c25,
levels = c(1, 2, 3, 4),
labels = c('Democracia es preferible\na cualquier otra forma\nde gobierno',
'En algunos casos,\n gobierno autoritario puede\n ser preferible',
'Da lo mismo régimen\ndemocrático o autoritario',
'Ninguna'))) %>%
prop(x = c25, by = pos_id, na.rm = TRUE) %>%
sjlabelled::as_label(pos_id) %>%
ggplot(aes(y = prop, x = pos_id, fill = c25,
label = scales::percent(ifelse(prop < .01, NA, prop), accuracy = .1))) +
theme_bw() +
geom_col(position = 'Stack') +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .95, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75,
color = rep(c('black', 'black', 'white', 'white'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
datos.g11.1 <- elsoc_long_2016_2021 %>%
dplyr::filter(ola == 5 & tipo_atricion == 1 & !c43 %in% c(3, -888, -999)) %>%
mutate(edadt = factor(car::recode(m0_edad, "18:29 = 1; 30:49 = 2; 50:64 = 3; 65:150 = 4"),
labels = c('18-29', '30-49', '50-64', '65 o más'))) %>%
prop(c43, by = edadt, na.rm = TRUE) %>%
sjlabelled::as_label(c43, edadt)
g11.1 <- datos.g11.1 %>%
ggplot(aes(y = prop, x = edadt, fill = c43,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.1
Figura 10.1: Participación en Plebiscito Nueva Constitucion
datos.g11.2 <- elsoc_long_2016_2021 %>%
dplyr::filter(ola == 5 & tipo_atricion == 1 & !c44 %in% c(3, 4, -888, -999)& !is.na(c44)) %>%
prop(c44, na.rm = TRUE, vartype = NULL) %>%
sjlabelled::as_label(c44) %>%
mutate(datos = 'Datos ELSOC') %>%
add_row(c44 = c('Apruebo', 'Rechazo'), prop = c(.7828, .2172), datos = c('Datos servel', 'Datos servel'))
g11.2 <- datos.g11.2 %>%
ggplot(aes(y = prop, x = datos, fill = c44,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.2
Figura 10.2: Voto retrospectivo Plebiscito Nueva Constitucion
datos.g11.3 <- elsoc_long_2016_2021 %>%
dplyr::filter(ola == 5 & tipo_atricion == 1 & !c45 %in% c(3, 4, -888, -999) & !is.na(c45)) %>%
prop(c45, na.rm = TRUE, vartype = NULL) %>%
sjlabelled::as_label(c45) %>%
mutate(datos = 'Datos ELSOC') %>%
add_row(c45 = c('Convencion Mixta', 'Convencion Constitucional'), prop = c(.2101, .7899), datos = c('Datos servel', 'Datos servel'))
g11.3 <- datos.g11.3 %>%
ggplot(aes(y = prop, x = datos, fill = c45,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.3
Figura 10.3: Voto Retrospectivo Plebiscito Nueva Constitucion
datos.g11.4 <- elsoc_long_2016_2021 %>%
mutate(c11 = car::recode(c11, '1=2;2=1'), # en c11 1 = no participa, a diferencia de c43
particip_electoral = ifelse(ola == 5, c43, c11),
pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
filter(tipo_atricion == 1 & !particip_electoral %in% c(3, -888, -999) &
ola %in% c(1,3,5) & !is.na(pos_id)) %>%
prop(particip_electoral == 1, by = c(ola, pos_id), na.rm = TRUE) %>%
sjlabelled::as_label(pos_id) %>%
mutate(ola = factor(ola, levels = c(1,3,5), labels = c('Elecciones Presidenciales\nde 2013', 'Elecciones Presidenciales\nde 2017', 'Plebiscito cambio\nconstitucional')))
g11.4 <- datos.g11.4 %>%
ggplot(aes(y = prop, x = ola, color = pos_id, group = pos_id,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0.22, end = .66, direction = 1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.25) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.4
Figura 10.4: Sí Participa en Elecciones según Identificación Política
datos.g11.5 <- elsoc_long_2016_2021 %>%
filter(ola == 5 & tipo_atricion == 1 & !c44 %in% c(3,4, -888, -999) & !c15 %in% c(-888, -999)) %>%
mutate(pos_id = factor(car::recode(c15, recodes = "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
prop(c44, by = c(pos_id), na.rm = TRUE, vartype = NULL) %>%
sjlabelled::as_label(c44, pos_id)
g11.5 <- datos.g11.5 %>%
ggplot(aes(y = prop, x = pos_id, fill = c44,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = "Stack") +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep.int(c('black', 'black'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.5
Figura 10.5: Voto Retrospectivo Plebicito, según Posición Ideológica
datos.g11.6 <- elsoc_wide_2016_2021 %>%
dplyr::filter(tipo_atricion == 1
& !c44_w05 %in% c(3,4, -888, -999)
& !c39_w03 %in% c(-888, -999) & !is.na(c44_w05) & !is.na(c39_w03)) %>%
survey_design_elsoc(weights = 'ponderador02_w05') %>%
prop(c44_w05, by = c39_w03, na.rm = TRUE, vartype = NULL) %>%
sjlabelled::as_label(c44_w05, c39_w03)
g11.6 <- datos.g11.6 %>%
ggplot(aes(x = prop, y = c39_w03, fill = c44_w05,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = "Stack") +
scale_x_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(aes(label = ifelse(prop > 0.04 , scales::percent(prop, accuracy = .1),"")),
position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.6
Figura 10.6: Voto Retrospectivo Plebicito, según Posición Ideológica
datos.g11.7 <- elsoc_wide_2016_2021 %>%
dplyr::filter(tipo_atricion == 1
& !c45_w05 %in% c(3,4, -888, -999)
& !c39_w03 %in% c(-888, -999) & !is.na(c45_w05) & !is.na(c39_w03)) %>%
survey_design_elsoc(weights = 'ponderador02_w05') %>%
prop(c45_w05, by = c39_w03, na.rm = TRUE, vartype = NULL) %>%
sjlabelled::as_label(c45_w05, c39_w03)
g11.7 <- datos.g11.7 %>%
ggplot(aes(x = prop, y = c39_w03, fill = c45_w05,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = "Stack") +
scale_x_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(aes(label = ifelse(prop > 0.04 , scales::percent(prop, accuracy = .1),"")),
position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75,
color = rep.int(c('black', 'white'), 10)) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.7
Figura 10.7: Voto Retrospectivo Plebicito, según Posición Ideológica
datos.11.7 <- elsoc_wide_2016_2021 %>%
filter(tipo_atricion == 1 & !c43_w05 %in% c(3, -888, -999) &
!c11_w03 %in% c(3, -888, -999)) %>%
survey_design_elsoc(weights = 'ponderador02_w05') %>%
prop(c43_w05, by = c11_w03) %>%
sjlabelled::as_label(c43_w05, c11_w03)
datos.11.7 %>%
ggplot(aes(y = prop, x = c11_w03, fill = c43_w05,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = "Stack") +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = "Participación Electoral en 2017") +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75,
color = rep(c('black', 'white'), 2)) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 10.8: Participación Electoral 2021, según la Participación en 2017
#grafico y caracterización pendiente
elsoc_wide_2016_2021 %>%
filter(tipo_atricion == 1 & !c11_w03 %in% c(-888, -999, 3) & !c43_w05 %in% c(-888, -999, 3) &
!c15_w03 %in% c(-888, -999)) %>%
mutate(cambio_participa = factor(case_when(c11_w03 == 1 & c43_w05 == 2 ~ 1,
c11_w03 == 1 & c43_w05 == 1 ~ 2,
c11_w03 == 2 & c43_w05 == 2 ~ 3,
c11_w03 == 2 & c43_w05 == 1 ~ 4),
labels = c('Se mantiene no votando', 'Cambia a votar',
'Cambia a No Votar', 'Se mantiene votando')),
pos_id_w03 = factor(car::recode(c15_w03, "0:4 = 1; 5 = 2; 6:10 = 3; 11:12 = 4"),
levels = c(1, 2, 3, 4),
labels = c('Izquierda', "Centro", "Derecha", "No se identifica"))) %>%
elsoc::survey_design_elsoc(weights = 'ponderador02_w05') %>%
prop(cambio_participa, by = pos_id_w03, na.rm = TRUE) %>%
ggplot(aes(y = prop, x = pos_id_w03, fill = cambio_participa,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = "Stack") +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = "Posición ideológica en 2017") +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75,
color = rep(c('black', 'black', 'white', 'white'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
datos.8.1 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4) %>%
mutate(barrio_confli_rec = factor(cut(barrio_confli, breaks = c(0,1,2.75,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre"))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_confli_rec, by = ola, na.rm = TRUE)
g8.1 <- datos.8.1 %>%
ggplot(aes(y = prop, x = ola, fill = barrio_confli_rec,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .11, end = .88, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('black', 'white', 'white'), 5)) +
theme(legend.position = 'top', legend.title = element_blank())
g8.1
Figura 11.1: ¿Con qué frecuencia usted/alguien de su hogar se ha molestado o incomodado por problemas con sus vecinos? según ola de estudio
elsoc_diseno <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4) %>%
mutate(barrio_confli_rec = factor(cut(barrio_confli, breaks = c(0,1,2.75,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre"))) %>%
sjlabelled::as_label(ola) %>%
survey_design_elsoc()
datos.8.2 <- data.frame((svytable(~barrio_confli_rec + ola + idencuesta, elsoc_diseno, round = F))) %>%
dplyr::filter(Freq>0) %>%
group_by(ola) %>% mutate(prop=Freq/sum(Freq)) %>%
drop_na()
etiquetas.8.2 <- data.frame((svytable(~barrio_confli_rec + ola, elsoc_diseno, round = F))) %>%
group_by(ola) %>% mutate(prop=Freq/sum(Freq)) %>% mutate(idencuesta = 1) %>%
drop_na()
g8.2 <-
ggplot(datos.8.2, aes(x = ola, fill = barrio_confli_rec, stratum = barrio_confli_rec,
alluvium = idencuesta, y = prop)) +
ggalluvial::geom_flow(alpha = .66) +
ggalluvial::geom_stratum(linetype = 0) +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
theme(legend.position = 'top',
legend.title = element_blank()) +
scale_fill_viridis_d(begin = .11, end = .88, direction = -1, option = 'viridis') +
geom_text(data = etiquetas.8.2,
aes(label = ifelse(prop > 0.03 , scales::percent(prop, accuracy = .1),"")),
position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75,
color = rep(c('black', 'white', 'white'),2))
g8.2
Figura 11.2: Cambios en frecuencia de conflictos barriales
datos.8.3 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4) %>%
mutate( zona1 = factor(car::recode(region_cod,
"c(1,2,3,4,15)=1; c(5,6,7,8,16)=2; c(9,10,11,12,14)=3; 13=4"),
levels = c(1,2,3,4),
labels = c("Norte","Centro","Sur","Metropolitana"))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_confli >= 2.76, by = c(ola, zona1), na.rm = TRUE)
g8.3 <- datos.8.3 %>%
ggplot(aes(y = prop, x = zona1, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .3)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.3
Figura 11.3: Porcentaje con alta frecuencia de conflictos barriales, según ola del estudio y zona geográfica. Porcentaje con conflictos barriales “Siempre” o “Muchas veces”
datos.8.4 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4) %>%
mutate(barrio_confli_rec = factor(cut(barrio_confli, breaks = c(0,1,2.75,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre")),
estrato = factor(estrato, levels = c(1,2,3,4,5,6),
labels = c('Gran\nSantiago', 'Gran\nValparaíso', 'Gran\nConcepción',
'Ciudades\ngrandes', 'Ciudades\nmedianas', 'Ciudades\npequeñas'))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_confli_rec, by = c(ola, estrato), na.rm = TRUE) %>%
filter(barrio_confli_rec == 'Muchas veces o siempre')
g8.4 <- datos.8.4 %>%
ggplot(aes(y = prop, x = estrato, fill = ola,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .3)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.4
Figura 11.4: Porcentaje con alta frecuencia de conflictos barriales, según ola del estudio y zona de residencia. Porcentaje con conflictos barriales “Siempre” o “Muchas veces.”
datos.8.5 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4,
m30 = as.numeric(car::recode(m30,"1=110000;2=251000;3=305000;4=355000;5=400000;
6=445000;7=490000;8=535000;9=585000;10=640000;11=700000;12=765000;
13=845000;14=935000;15=1040000;16=1180000;17=1375000;18=1670000;
19=2275000;20=2700000;NA=NA")),
m29_imp = ifelse(!is.na(m29),m29, m30),
n_hogar = case_when(ola == 1 ~ nhogar1, ola == 2 ~ m46_nhogar,
ola == 3 ~ m54, ola == 4 ~ m54, ola == 5 ~ m54)) %>%
mutate(ing_pc = (m29_imp/n_hogar)) %>%
sjlabelled::as_label(ola) %>%
group_by(ola) %>%
mutate(quintil = factor(ntile(-desc(ing_pc), 5), levels = c(1,2,3,4,5),
labels = c('Q1', 'Q2', 'Q3', 'Q4', 'Q5'))) %>%
prop(x = barrio_confli >= 2.76, by = c(ola, quintil), na.rm = TRUE)
g8.5 <- datos.8.5 %>%
ggplot(aes(y = prop, x = quintil, fill = ola,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .3)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.5
Figura 11.5: Porcentaje con alta frecuencia de conflictos barriales, según ola del estudio y quintil de ingreso. Porcentaje con conflictos barriales “Siempre” o “Muchas veces.”
elsoc_comuna_rm <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola == 5 & region_cod == 13 & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4) %>%
sjlabelled::as_label(ola) %>%
group_by(comuna, comuna_cod) %>%
summarise(m_confli = weighted.mean(barrio_confli, ponderador02, na.rm = T)) %>%
ungroup()
comunas_rm <- chilemapas::mapa_zonas %>%
dplyr::filter(codigo_region == '13' & codigo_provincia == '131') %>%
st_as_sf(.) %>%
group_by(codigo_comuna) %>%
summarise() %>%
ungroup() %>%
mutate(comuna_cod = as.numeric(codigo_comuna)) %>%
left_join(elsoc_comuna_rm, by = 'comuna_cod')
g.confli.rm <- comunas_rm %>%
ggplot() +
geom_sf(aes(fill = m_confli, geometry = geometry)) +
labs(y = NULL, x = NULL, fill = "Conflictividad barrial\npromedio por comuna") +
scale_fill_viridis_c(begin = .11, end = .88, direction = -1, option = 'viridis') +
theme_bw()
g.confli.rm
Figura 11.6: Frecuencia promedio de problemas con vecinos, según comuna de residencia en la región metropolitana (2021).
elsoc_region <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola == 5 & !t11_01 %in% c(-888, -999) &
!t11_02 %in% c(-888, -999) & !t11_03 %in% c(-888, -999) & !t11_04 %in% c(-888, -999)) %>%
mutate(barrio_confli = (t11_01 + t11_02 + t11_03 + t11_04)/4) %>%
sjlabelled::as_label(ola) %>%
group_by(region, region_cod) %>%
summarise(m_confli = weighted.mean(barrio_confli, ponderador02, na.rm = T),
sd_confli = sd(barrio_confli, na.rm = T),
n = n())
elsoc_region$region_cod <- factor(elsoc_region$region_cod,
labels = c('01','02','03','04','05','06','07','08',
'09','10','11','13','14','15','16'))
regiones <- chilemapas::generar_regiones()
regiones <- merge(regiones,elsoc_region, by.x="codigo_region",by.y="region_cod",all.x=TRUE,sort=F)
#para intentar hacer facet_wrap
#regiones$mitad <- c('1','1','1','1','1','1','1','2','2','2','2','1','2','1','2','2')
regiones$region[is.na(regiones$region)] <- 'Magallanes\n(Sin datos)'
regiones$region[regiones$region == 'Metropolitana de santiago'] <- 'Metropolitana'
regiones$region[regiones$region == 'Libertador general bernardo ohiggins'] <- 'Ohiggins'
regiones$region[regiones$region == 'Aysen del general carlos ibannez del campo'] <- 'Aysen'
regiones$region[regiones$region == 'Arica y parinacota'] <- 'Arica'
g.confli.region <- regiones %>%
ggplot(aes(fill = m_confli, geometry = geometry, label = region)) +
geom_sf() +
coord_sf(xlim = c(-100, -65)) +
labs(y = NULL, x = NULL, fill = "Conflictividad barrial\npromedio por región") +
scale_fill_viridis_c(begin = .11, end = .88, direction = -1, option = 'viridis', na.value = 'white') +
ggrepel::geom_text_repel(stat = "sf_coordinates", min.segment.length = 0,
colour = "black", segment.colour = "black",
direction = "y", hjust = 2.5, size = 3) +
ggspatial::annotation_north_arrow(aes(which_north = "true", location = "bl"), pad_y = unit(0.8, "cm")) +
ggspatial::annotation_scale(aes(location = "bl", style = "bar")) +
theme_bw()
g.confli.region
Figura 11.7: Frecuencia promedio de problemas con vecinos, según región de Chile (2021)
datos.8.6 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t01 %in% c(-888, -999)) %>%
mutate(barrio_conf = factor(car::recode(t01, "c(1,2) = 1; c(3) = 2; c(4,5) = 3"),
levels = c(1,2,3),
labels = c('Muy poco o poco', 'Algo', 'Bastante o mucho'))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_conf, by = ola, na.rm = TRUE)
g8.6 <- datos.8.6 %>%
ggplot(aes(y = prop, x = ola, fill = barrio_conf,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .11, end = .88, direction = 1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('white', 'white', 'black'), 5)) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.6
Figura 11.8: En términos generales, ¿cuánto confía usted en sus vecinos? según ola de estudio.
datos.8.7 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) & !t01 %in% c(-888, -999)) %>%
mutate(zona1 = factor(car::recode(region_cod,
"c(1,2,3,4,15)=1; c(5,6,7,8,16)=2; c(9,10,11,12,14)=3; 13=4"),
levels = c(1,2,3,4),
labels = c("Norte","Centro","Sur","Metropolitana")))%>%
sjlabelled::as_label(ola) %>%
prop(x = t01 %in% c(4, 5), by = c(ola, zona1), na.rm = TRUE)
g8.7 <- datos.8.7 %>%
ggplot(aes(y = prop, x = zona1, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.7
Figura 11.9: En términos generales, ¿cuánto confía usted en sus vecinos? Según ola del estudio y zona geográfica. Suma de Respuestas “Bastante” y “Mucho.”
datos.8.8 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) & !t01 %in% c(-888, -999)) %>%
mutate(m30 = as.numeric(car::recode(m30,"1=110000;2=251000;3=305000;4=355000;5=400000;
6=445000;7=490000;8=535000;9=585000;10=640000;11=700000;12=765000;
13=845000;14=935000;15=1040000;16=1180000;17=1375000;18=1670000;
19=2275000;20=2700000;NA=NA")),
m30b = as.numeric(car::recode(m30b, "1 = 125000; 2 = 300000; 3 = 400000; 4 = 620000; 5 = 1100000; NA = NA")),
m29_imp = ifelse(!is.na(m29), m29, ifelse(ola == 5, m30b ,m30)),
n_hogar = case_when(ola == 1 ~ nhogar1, ola == 2 ~ m46_nhogar,
ola == 3 ~ m54, ola == 4 ~ m54, ola == 5 ~ m54),
ing_pc = (m29_imp/n_hogar)) %>%
group_by(ola) %>%
mutate(quintil = factor(ntile(-desc(ing_pc), 5),
levels = c(1,2,3,4,5),
labels = c('Q1', 'Q2', 'Q3', 'Q4', 'Q5'))) %>%
prop(x = t01 %in% c(4, 5), by = c(ola, quintil), na.rm = TRUE) %>%
sjlabelled::as_label(ola)
g8.8 <- datos.8.8 %>%
ggplot(aes(y = prop, x = quintil, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.8
Figura 11.10: En términos generales, ¿cuánto confía usted en sus vecinos? Según ola del estudio y quintil de ingreso. Suma de Respuestas “Bastante” y “Mucho.”
datos.8.9 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t10 %in% c(-888, -999)) %>%
mutate(barrio_segur = factor(car::recode(t10, "c(1,2)=1; c(3)=2; c(4,5)=3"), levels = c(1,2,3),
labels = c('Muy inseguro o inseguro', 'Ni seguro ni inseguro',
'Seguro o Muy seguro'))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_segur, by = ola, na.rm = TRUE)
g8.9 <- datos.8.9 %>%
ggplot(aes(y = prop, x = ola, fill = barrio_segur,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .11, end = .88, direction = 1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('white', 'white', 'black'), 5)) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.9
Figura 11.11: ¿Qué tan seguro o inseguro se siente en el barrio o vecindario donde usted vive? Según ola del estudio.
datos.8.10 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t10 %in% c(-888, -999)) %>%
mutate(zona1 = factor(car::recode(region_cod,
"c(1,2,3,4,15)=1; c(5,6,7,8,16)=2; c(9,10,11,12,14)=3; 13=4"),
levels = c(1,2,3,4),
labels = c("Norte","Centro","Sur","Metropolitana")))%>%
prop(x = t10 %in% c(1, 2), by = c(ola, zona1), na.rm = TRUE) %>%
sjlabelled::as_label(ola)
g8.10 <- datos.8.10 %>%
ggplot(aes(y = prop, x = ola, color = zona1, group = zona1,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,.5)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .77, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size = 3) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.10
Figura 11.12: ¿Qué tan seguro o inseguro se siente en el barrio o vecindario donde usted vive? Según ola del estudio y zona geográfica. Suma de Respuestas “Inseguro” o ”Muy Inseguro".
datos.8.11 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t10 %in% c(-888, -999) & !m01 %in% c(-888, -999)) %>%
mutate(educ = factor(car::recode(m01,
"c(1,2,3)=1; c(4,5)=2; c(6,7)=3; c(8,9,10)=4"),
levels = c(1,2,3,4),
labels = c("Basica","Media","Tecnica","Universitaria"))) %>%
prop(x = t10 %in% c(1, 2), by = c(ola, educ), na.rm = TRUE) %>%
sjlabelled::as_label(ola)
g8.11 <- datos.8.11 %>%
ggplot(aes(y = prop, x = ola, color = educ, group = educ,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,.5)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .77, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size = 3) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.11
Figura 11.13: ¿Qué tan seguro o inseguro se siente en el barrio o vecindario donde usted vive? Según ola del estudio y nivel educacional. Suma de Respuestas “Inseguro” o ”Muy Inseguro".
datos.8.12 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t10 %in% c(-888, -999)) %>%
mutate(edadt = factor(car::recode(m0_edad,
"18:29=1;30:49=2;50:64=3;65:150=4"),
levels = c(1,2,3,4),
labels = c('18-29', '30-49', '50-64', '65 o más'))) %>%
sjlabelled::as_label(ola) %>%
prop(x = t10 %in% c(1,2), by = c(ola, edadt), na.rm = TRUE)
g8.12 <- datos.8.12 %>%
ggplot(aes(y = prop, x = ola, color = edadt, group = edadt,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,.5)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .77, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size = 3) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.12
Figura 11.14: ¿Qué tan seguro o inseguro se siente en el barrio o vecindario donde usted vive? Según ola del estudio y tramos de edad. Suma de Respuestas “Inseguro” o ”Muy Inseguro".
datos.8.13 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !t10 %in% c(-888, -999)) %>%
mutate(barrio_segur = factor(car::recode(t10, "c(1,2)=1; c(3)=2; c(4,5)=3"), levels = c(1,2,3),
labels = c('Muy inseguro o inseguro', 'Ni seguro ni inseguro',
'Seguro o Muy seguro')),
m30 = as.numeric(car::recode(m30,"1=110000;2=251000;3=305000;4=355000;5=400000;
6=445000;7=490000;8=535000;9=585000;10=640000;11=700000;12=765000;
13=845000;14=935000;15=1040000;16=1180000;17=1375000;18=1670000;
19=2275000;20=2700000;NA=NA")),
m29_imp = ifelse(!is.na(m29),m29, m30),
n_hogar = case_when(ola == 1 ~ nhogar1, ola == 2 ~ m46_nhogar,
ola == 3 ~ m54, ola == 4 ~ m54, ola == 5 ~ m54)) %>%
mutate(ing_pc = (m29_imp/n_hogar)) %>%
sjlabelled::as_label(ola) %>%
group_by(ola) %>%
mutate(quintil = factor(ntile(-desc(ing_pc), 5), levels = c(1,2,3,4,5),
labels = c('Q1', 'Q2', 'Q3', 'Q4', 'Q5'))) %>%
prop(x = barrio_segur, by = c(ola, quintil), na.rm = TRUE) %>%
filter(barrio_segur == 'Muy inseguro o inseguro', quintil == "Q1" | quintil == "Q5") %>%
drop_na()
g8.13 <- datos.8.13 %>%
ggplot(aes(y = prop, x = ola, color = quintil, group = quintil,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,.5)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = .0, end = .55, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.13
Figura 11.15: ¿Qué tan seguro o inseguro se siente en el barrio o vecindario donde usted vive? Según ola del estudio y quintil de ingreso per capita. Suma de Respuestas “Seguro” o ”Muy Seguro".
datos.8.14 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 &
!t09_01 %in% c(-888, -999) & !t09_02 %in% c(-888, -999) & !t09_03 %in% c(-888, -999)) %>%
mutate(barrio_crim = (t09_01 + t09_02 + t09_03)/3) %>%
mutate(barrio_crim_rec = factor(cut(barrio_crim, breaks = c(0,1,2.67,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre"))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_crim_rec, by = ola, na.rm = TRUE)
g8.14 <- datos.8.14 %>%
ggplot(aes(y = prop, x = ola, fill = barrio_crim_rec,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .11, end = .88, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('black', 'white', 'white'), 5)) +
theme(legend.position = 'top', legend.title = element_blank())
g8.14
Figura 11.16: ¿Con qué frecuencia se han producido crímenes (riñas, robos y tráfico de drogas) en su barrio?, según ola de estudio.
datos.8.15 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) &
!t09_01 %in% c(-888, -999) & !t09_02 %in% c(-888, -999) & !t09_03 %in% c(-888, -999)) %>%
mutate(barrio_crim = (t09_01 + t09_02 + t09_03)/3) %>%
mutate(barrio_crim_rec = factor(cut(barrio_crim, breaks = c(0,1,2.67,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre")),
zona1 = factor(car::recode(region_cod, "c(1,2,3,4,15)=1; c(5,6,7,8,16)=2; c(9,10,11,12,14)=3; 13=4"),
levels = c(1,2,3,4), labels = c("Norte","Centro","Sur","Metropolitana"))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_crim_rec, by = c(ola, zona1), na.rm = TRUE) %>%
filter(barrio_crim_rec == 'Muchas veces o siempre')
g8.15 <- datos.8.15 %>%
ggplot(aes(y = prop, x = zona1, fill = ola,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .5)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.15
Figura 11.17: ¿Con qué frecuencia se han producido crímenes (riñas, robos y tráfico de drogas) en su barrio?, según ola del estudio y zona geográfica. Porcentaje de experiencias de criminalidad “Siempre” o “Muchas veces.”
datos.8.16 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(4,5) &
!t09_01 %in% c(-888, -999) & !t09_02 %in% c(-888, -999) & !t09_03 %in% c(-888, -999)) %>%
mutate(barrio_crim = (t09_01 + t09_02 + t09_03)/3) %>%
mutate(barrio_crim_rec = factor(cut(barrio_crim, breaks = c(0,1,2.67,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre")),
estrato = factor(estrato, levels = c(1,2,3,4,5,6),
labels = c('Gran\nSantiago', 'Gran\nValparaíso', 'Gran\nConcepción',
'Ciudades\ngrandes', 'Ciudades\nmedianas', 'Ciudades\npequeñas'))) %>%
sjlabelled::as_label(ola) %>%
prop(x = barrio_crim_rec, by = c(ola, estrato), na.rm = TRUE) %>%
filter(barrio_crim_rec == 'Muchas veces o siempre')
g8.16 <- datos.8.16 %>%
ggplot(aes(y = prop, x = estrato, fill = ola,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Dodge') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .5)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
g8.16
Figura 11.18: ¿Con qué frecuencia se han producido crímenes (riñas, robos y tráfico de drogas) en su barrio?, según ola del estudio y tipo de ciudad. Porcentaje de experiencias de criminalidad “Siempre” o “Muchas veces.”
datos.8.17 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 &
!t09_01 %in% c(-888, -999) & !t09_02 %in% c(-888, -999) & !t09_03 %in% c(-888, -999)) %>%
mutate(barrio_crim = (t09_01 + t09_02 + t09_03)/3) %>%
mutate(barrio_crim_rec = factor(cut(barrio_crim, breaks = c(0,1,2.67,5)),
labels = c("Nunca","Pocas o algunas veces","Muchas veces o siempre")),
m30 = as.numeric(car::recode(m30,"1=110000;2=251000;3=305000;4=355000;5=400000;
6=445000;7=490000;8=535000;9=585000;10=640000;11=700000;12=765000;
13=845000;14=935000;15=1040000;16=1180000;17=1375000;18=1670000;
19=2275000;20=2700000;NA=NA")),
m29_imp = ifelse(!is.na(m29),m29, m30),
n_hogar = case_when(ola == 1 ~ nhogar1, ola == 2 ~ m46_nhogar,
ola == 3 ~ m54, ola == 4 ~ m54, ola == 5 ~ m54)) %>%
mutate(ing_pc = (m29_imp/n_hogar)) %>%
sjlabelled::as_label(ola) %>%
group_by(ola) %>%
mutate(quintil = factor(ntile(-desc(ing_pc), 5), levels = c(1,2,3,4,5),
labels = c('Q1', 'Q2', 'Q3', 'Q4', 'Q5'))) %>%
prop(x = barrio_crim_rec, by = c(ola, quintil), na.rm = TRUE) %>%
filter(barrio_crim_rec == 'Muchas veces o siempre', quintil == "Q1" | quintil == "Q5")
g8.17 <- datos.8.17 %>%
ggplot(aes(y = prop, x = ola, color = quintil, group = quintil,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,.6)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = .0, end = .55, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g8.17
Figura 11.19: ¿Con qué frecuencia se han producido crímenes (riñas, robos y tráfico de drogas) en su barrio?, según ola del estudio y quintil de ingreso. Porcentaje de experiencias de criminalidad “Siempre” o “Muchas veces.”
elsoc_comuna_rm <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola == 5 & region_cod == 13 & !t09_01 %in% c(-888, -999) &
!t09_02 %in% c(-888, -999) & !t09_03 %in% c(-888, -999)) %>%
mutate(barrio_crim = (t09_01 + t09_02 + t09_03)/3) %>%
sjlabelled::as_label(ola) %>%
group_by(comuna, comuna_cod) %>%
summarise(m_crim = weighted.mean(barrio_crim, ponderador02, na.rm = T),
sd_crim = sd(barrio_crim, na.rm = T),
n = n())
comunas_rm <- chilemapas::mapa_zonas %>%
filter(codigo_region==13 & codigo_provincia == '131') %>%
st_as_sf(.) %>%
group_by(codigo_comuna) %>%
summarise()
comunas_rm <- merge(comunas_rm,
elsoc_comuna_rm,
by.x = "codigo_comuna", by.y = "comuna_cod",
all.x = TRUE,
sort=F)
#comunas_rm <- comunas_rm %>% drop_na() #en caso de quitar comunas con NA
g.crimi.rm <-
ggplot(comunas_rm) +
geom_sf(aes(fill = m_crim, geometry = geometry)) +
labs(y = NULL, x = NULL, fill = "Criminalidad barrial\npromedio por comuna") +
scale_fill_viridis_c(begin = .11, end = .88, direction = -1, option = 'viridis') +
theme_bw()
g.crimi.rm
Figura 11.20: Frecuencia promedio de percepción de crímenes (riñas, robos y tráfico de drogas) en el barrio, según comuna de residencia en la región metropolitana (2021).
elsoc_region <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola == 5 & !t09_01 %in% c(-888, -999) &
!t09_02 %in% c(-888, -999) & !t09_03 %in% c(-888, -999)) %>%
mutate(barrio_crim = (t09_01 + t09_02 + t09_03)/3) %>%
sjlabelled::as_label(ola) %>%
group_by(region, region_cod) %>%
summarise(m_crim = weighted.mean(barrio_crim, ponderador02, na.rm = T),
sd_crim = sd(barrio_crim, na.rm = T),
n = n())
elsoc_region$region_cod <- factor(elsoc_region$region_cod,
labels = c('01','02','03','04','05','06','07','08',
'09','10','11','13','14','15','16'))
regiones <- generar_regiones()
regiones <- merge(regiones,elsoc_region, by.x="codigo_region",by.y="region_cod",all.x=TRUE,sort=F)
#para intentar hacer facet_wrap
#regiones$mitad <- c('1','1','1','1','1','1','1','2','2','2','2','1','2','1','2','2')
regiones$region[is.na(regiones$region)] <- 'Magallanes\n(Sin datos)'
regiones$region[regiones$region == 'Metropolitana de santiago'] <- 'Metropolitana'
regiones$region[regiones$region == 'Libertador general bernardo ohiggins'] <- 'Ohiggins'
regiones$region[regiones$region == 'Aysen del general carlos ibannez del campo'] <- 'Aysen'
regiones$region[regiones$region == 'Arica y parinacota'] <- 'Arica'
g.crim.region <- regiones %>%
ggplot(aes(fill = m_crim, geometry = geometry, label = region)) +
geom_sf() +
coord_sf(xlim = c(-100, -65)) +
labs(y = NULL, x = NULL, fill = "Criminalidad barrial\npromedio por región") +
scale_fill_viridis_c(begin = .11, end = .88, direction = -1, option = 'viridis', na.value = 'white') +
ggrepel::geom_text_repel(stat = "sf_coordinates", min.segment.length = 0,
colour = "black", segment.colour = "black",
direction = "y", hjust = 2.5, size = 3) +
ggspatial::annotation_north_arrow(aes(which_north = "true", location = "bl"), pad_y = unit(0.8, "cm")) +
ggspatial::annotation_scale(aes(location = "bl", style = "bar")) +
theme_bw()
g.crim.region
Figura 11.21: Frecuencia promedio de percepción de crímenes (riñas, robos y tráfico de drogas) en el barrio, según región de Chile (2021)
datos.11.1 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & !d01_01 %in% c(-888, -999)) %>%
mutate(clase_sub = factor(car::recode(d01_01, "c(0,1,2,3)=1; c(4, 5)=2; c(6,7,8,9,10)=3;else=NA"),
levels = c(1,2,3),
labels = c("Baja y media baja", "Media", "Alta y media alta"))) %>%
sjlabelled::as_label(ola) %>%
prop(x = clase_sub, by = ola, na.rm = T)
g11.1 <- datos.11.1 %>%
ggplot(aes(y = prop, x = ola, fill = clase_sub,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .11, end = .88, direction = 1, option = 'viridis') +
scale_y_continuous(labels = scales::percent) +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('white', 'white', 'black'), 5)) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.1
Figura 13.1: En nuestra sociedad, hay grupos que tienden a ubicarse en los niveles más altos y grupos que tienden a ubicarse en los niveles más bajos de la sociedad ¿Dónde se ubicaría usted?, según ola de estudio.
elsoc_panel_m1 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & ola %in% c(1, 4, 5)) %>%
group_by(idencuesta) %>%
mutate(missing = any(d01_01 %in% c(-888, -999))) %>%
filter(!missing) %>%
ungroup() %>%
mutate(clase_sub = factor(car::recode(d01_01, "c(0,1,2,3)=1; c(4, 5)=2; c(6,7,8,9,10)=3; else=NA"),
levels = c(1, 2, 3),
labels = c("Baja y media baja", "Media", "Alta y media alta"))) %>%
sjlabelled::as_label(ola) %>%
survey_design_elsoc()
datos.11.2 <- data.frame((svytable(~clase_sub + ola + idencuesta, elsoc_panel_m1, round = F))) %>%
group_by(ola) %>% mutate(prop=Freq/sum(Freq)) %>%
filter(Freq>0 & (ola == '2016'| ola == '2019' | ola == '2021')) %>%
drop_na()
etiquetas.11.2 <- data.frame((svytable(~clase_sub + ola, elsoc_panel_m1, round = F))) %>%
group_by(ola) %>% mutate(prop=Freq/sum(Freq)) %>% mutate(idencuesta = 1) %>%
filter(Freq>0 & (ola == '2016'| ola == '2019' | ola == '2021')) %>%
drop_na()
g11.2 <-
ggplot(datos.11.2, aes(x = ola, fill = clase_sub, stratum = clase_sub,
alluvium = idencuesta, y = prop)) +
ggalluvial::geom_flow(alpha = .66) +
ggalluvial::geom_stratum(linetype = 0) +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
theme(legend.position = 'top',
legend.title = element_blank()) +
scale_fill_viridis_d(begin = .11, end = .88, direction = 1, option = 'viridis') +
geom_text(data = etiquetas.11.2,
aes(label = ifelse(prop > 0.03 , scales::percent(prop, accuracy = .1),"")),
position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75,
color = rep(c('white', 'white', 'black'),3))
g11.2
Figura 13.2: Cambios de Clase social subjetiva entre 2016, 2019 y 2021
datos.11.3 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola %in% c(5) & !t01 %in% c(-888, -999)) %>%
mutate(clase_sub = factor(car::recode(d01_01, "c(0,1,2,3)=1; c(4,5)=2; c(6,7,8,9,10)=3;else=NA"),
levels = c(1,2,3),
labels = c("Baja y media baja", "Media", "Alta y media alta")),
m30 = as.numeric(car::recode(m30,"1=110000;2=251000;3=305000;4=355000;5=400000;
6=445000;7=490000;8=535000;9=585000;10=640000;11=700000;12=765000;
13=845000;14=935000;15=1040000;16=1180000;17=1375000;18=1670000;
19=2275000;20=2700000;NA=NA")),
m29_imp = ifelse(!is.na(m29),m29, m30),
n_hogar = case_when(ola == 1 ~ nhogar1, ola == 2 ~ m46_nhogar,
ola == 3 ~ m54, ola == 4 ~ m54, ola == 5 ~ m54)) %>%
mutate(ing_pc = (m29_imp/n_hogar)) %>%
sjlabelled::as_label(ola) %>%
group_by(ola) %>%
mutate(quintil = factor(ntile(-desc(ing_pc), 5), levels = c(1,2,3,4,5),
labels = c('Q1', 'Q2', 'Q3', 'Q4', 'Q5'))) %>%
prop(x = clase_sub, by = c(ola, quintil), na.rm = TRUE)
g11.3 <-
datos.11.3 %>%
ggplot(aes(y = prop, x = quintil, fill = clase_sub,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .99, direction = -1, option = 'viridis') +
scale_y_continuous(labels = scales::percent) +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c( 'black','black','white'), 5)) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.3
Figura 13.3: Clase social subjetiva, según quintiles de ingreso (2021)
datos11.4 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1 & ola == 5 &
!d01_01 %in% c(-888, -999) & !d01_03 %in% c(-888, -999)) %>%
mutate(clase_sub = factor(car::recode(d01_01, "c(0,1,2,3)=1; c(4,5)=2; c(6,7,8,9,10)=3;else=NA"),
levels = c(1,2,3),
labels = c("Baja y media baja", "Media", "Alta y media alta")),
clase_sub_hijo = factor(car::recode(d01_03, "c(0,1,2,3)=1; c(4,5)=2; c(6,7,8,9,10)=3;else=NA"),
levels = c(1,2,3),
labels = c("Baja y media baja", "Media", "Alta y media alta"))) %>%
sjlabelled::as_label(ola) %>%
prop(x = clase_sub_hijo, by = c(ola, clase_sub), na.rm = T)
g11.4 <- datos11.4 %>%
ggplot(aes(y = prop, x = clase_sub, fill = clase_sub_hijo,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'Stack') +
ylab(label = NULL) +
xlab(label = 'Clase social subjetiva propia') +
scale_fill_viridis_d(begin = .11, end = .88, direction = 1, option = 'viridis') +
scale_y_continuous(labels = scales::percent) +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('white', 'white', 'black'), 3)) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.4
Figura 13.4: Si usted tiene actualmente hijos o si los tuviera en el futuro, ¿dónde cree usted que se ubicarían ellos?, según Clase social subjetiva (2021)
datos.11.7 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & muestra == 1) %>%
select(c18_09, c18_10, d05_02, d05_04, ola, ponderador02, segmento_disenno, estrato_disenno) %>%
pivot_longer(cols = c(c18_09, c18_10, d05_02, d05_04)) %>%
filter(!value %in% c(-888, -999)) %>%
prop(value %in% c(4,5), by = c(ola, name), na.rm = TRUE) %>%
mutate(name = factor(name,
levels = c('c18_09', 'c18_10', 'd05_02', 'd05_04'),
labels = c('Personas son\nrecompensadas\npor su esfuerzo',
'Personas son\nrecompensadas\npor su inteligencia',
'Educación es\nimportante para\nsurgir en la vida',
'Trabajo duro\nes importante para\nsurgir en la vida')))
g11.7 <- datos.11.7 %>%
ggplot(aes(y = prop, x = ola, color = name, group = name,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = 1, option = 'viridis') +
geom_text(vjust = -0.8,
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g11.7
Figura 13.7: Percepción de importancia y recompensas del mérito, según ola de estudio. Porcentaje de Respuestas “De acuerdo” y ”Totalmente de acuerdo".
elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & ola == 5 & !g01_01 %in% c(-888, -999) & !g01_02 %in% c(-888, -999) & !g01_03 %in% c(-888, -999) & !g01_04 %in% c(-888, -999)) %>%
select(g01_01, g01_02, g01_03, g01_04, segmento_disenno, estrato_disenno, ponderador02, m0_sexo) %>%
pivot_longer(cols = c(g01_01, g01_02, g01_03, g01_04)) %>%
prop(value %in% 4:5, by = c(name, m0_sexo), na.rm = TRUE) %>%
sjlabelled::as_label(m0_sexo) %>%
mutate(name = factor(name,
levels = c('g01_01', 'g01_02', 'g01_03', 'g01_04'),
labels = c('Mujeres son\nmás refinadas\nque hombres',
'Mujeres debieran ser\nqueridas y protegidas\npor los hombres',
'Mujeres consiguen\nprivilegios en\nnombre de igualdad',
'Cuando mujeres son\nderrotadas limpiamente,\nse quejan de discriminación'))) %>%
ggplot(aes(y = prop, x = name, fill = m0_sexo,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = "dodge2") +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 14.1: Sexismo benévolo y hostil, según sexo (2021). Porcentaje que responde “De acuerdo” o “Totalmente de acuerdo.”
elsoc_long_2016_2021 %>%
filter(tipo_atricion == 1 & ola == 5 & !g01_01 %in% c(-888, -999) & !g01_02 %in% c(-888, -999) & !g01_03 %in% c(-888, -999) & !g01_04 %in% c(-888, -999) & !m01 %in% c(-888, -999)) %>%
select(g01_01, g01_02, g01_03, g01_04, segmento_disenno, estrato_disenno, ponderador02, m01) %>%
pivot_longer(cols = c(g01_01, g01_02, g01_03, g01_04)) %>%
mutate(educ = factor(car::recode(m01, "1:3 = 1; 4:5 = 2; 6:7 = 3; 8:10 = 4"),
levels = c(1, 2, 3, 4),
labels = c("Básica", "Media", "Técnica", "Universitaria"))) %>%
prop(value %in% 4:5, by = c(name, educ), na.rm = TRUE) %>%
sjlabelled::as_label(educ) %>%
mutate(name = factor(name,
levels = c('g01_01', 'g01_02', 'g01_03', 'g01_04'),
labels = c('Mujeres son\nmás refinadas\nque hombres',
'Mujeres debieran ser\nqueridas y protegidas\npor los hombres',
'Mujeres consiguen\nprivilegios en\nnombre de igualdad',
'Cuando mujeres son\nderrotadas limpiamente,\nse quejan de discriminación'))) %>%
ggplot(aes(y = prop, x = name, fill = educ,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = "dodge2") +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 14.2: Sexismo benévolo y hostil, según nivel educacional (2021). Porcentaje que responde “De acuerdo” o “Totalmente de acuerdo.”
elsoc_long_2016_2021 %>%
dplyr::filter(tipo_atricion == 1
& ola %in% c(3, 5) & !m01 %in% c(-888, -999)) %>%
mutate(sit_ocup = factor(car::recode(m02, "1:3 = 1; 7 = 2; 6 = 3; 5 = 4; c(4, 8, 9) = 5"),
levels = c(1:5),
labels = c("Trabajo\nremunerado", "Trabajo doméstico\nno remunerado", "Desempleado/a", "Jubilado/a o\npensionado/a", "Otras\ncategorías"))) %>%
prop(sit_ocup, by = c(ola, m0_sexo), na.rm = TRUE) %>%
sjlabelled::as_label(m0_sexo, ola, sit_ocup) %>%
ggplot(aes(y = prop, x = m0_sexo, fill = sit_ocup,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Stack') +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
facet_wrap(.~ola)+
scale_fill_viridis_d(begin = .13, end = .85, direction = -1, option = 'viridis') +
#cambiar geom_text tal que: Stack y cambio colores
geom_text(aes(label = ifelse(prop> 0.03 , scales::percent(prop, accuracy = .1),"")), position = position_stack(vjust = .5),
show.legend = FALSE,
size = 2.75,
color = rep.int(c('black', 'black', 'black','white', 'white'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 14.3: Porcentaje de trabajadores y trabajadoras por situación ocupacional (2021), según sexo del entrevistado
#PENDIENTE
#1
datos.grafico <- data.frame((svytable(~m17_rec + ola + idencuesta,
elsoc_diseno, round = F))) %>%
dplyr::filter(Freq>0) %>%
group_by(ola) %>%
mutate(porcentaje=Freq/sum(Freq))
#1.1
subset.grafico <- droplevels(subset(datos.grafico, datos.grafico$ola == '2018' | datos.grafico$ola == '2021'))
#2
etiquetas.grafico <- data.frame((svytable(~m17_rec + ola,
elsoc_diseno, round = F))) %>%
group_by(ola) %>%
mutate(porcentaje=Freq/sum(Freq)) %>%
na.omit() %>%
mutate(idencuesta = 1)
#Paso 2.2: crear un subset sólo para los años
etiquetas.grafico <- droplevels(subset(etiquetas.grafico, etiquetas.grafico$ola == '2018' | etiquetas.grafico$ola == '2021'))
g16.11 <- ggplot(subset.grafico, aes(x = ola, fill = m17_rec, stratum = m17_rec,
alluvium = idencuesta, y = porcentaje)) +
theme_bw() +
ggalluvial::geom_flow(alpha = .66) +
ggalluvial::geom_stratum(linetype = 0) +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
theme(legend.position = 'top',
legend.title = element_blank()) +
scale_fill_viridis_d(begin = 0, end = .9, direction = -1, option = 'viridis') +
geom_text(data = etiquetas.grafico,
aes(label = ifelse(porcentaje > 0.05 , scales::percent(porcentaje, accuracy = .1),"")),
position = position_stack(vjust = .5),
show.legend = FALSE,
size= 2.75)
g16.11
Figura 15.1: Síntomas de Depresión, según Ola del Estudio
Figura 15.2: Síntomas de Depresión, según Ola del Estudio y Sobrecarga de Deuda
Figura 15.3: Sintomatología Depresiva por año, según sexo. Porcentaje con síntomas de “Depresion Moderada” o “Depresion Moderada Severa a Severa.”
Figura 15.4: Cambios en Síntomas de depresión entre años 2018 y 2021, según sexo
Figura 15.5: Síntomas de Depresión según tramos de edad y sexo (2021). Porcentaje con síntomas de “Depresion Moderada” o “Depresion Moderada Severa a Severa
Figura 15.6: Síntomas de Depresión según sexo y situación ocupacional (2021). Porcentaje con síntomas PHQ-9>10
En 2021 no hay hombres en la categoría Trabajo doméstico no remunerado \(^{*}\)
datos.g17.8 <- elsoc_long_2016_2021 %>%
dplyr::filter(ola == 5 & tipo_atricion == 1 & !s31 %in% c(-888, -999, NA)) %>%
prop(s31==1, by=m0_sexo, na.rm = TRUE) %>%
sjlabelled::as_label(s31,m0_sexo)
## 1 variables were not found in the dataset: s31
g17.8 <- datos.g17.8 %>%
ggplot(aes(y = prop, x = m0_sexo,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, 0.2)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
g17.8
Figura 15.7: Sí fue diagnosticado con COVID-19, según sexo
Figura 15.8: Síntomas de Depresión según Estado de Salud y ola de estudio. Porcentaje con síntomas PHQ-9>10
Figura 15.9: Síntomas de Depresión, según Modalidad de Trabajo
(#fig:depre clase.sub)Síntomas de Depresión, según Clase Subjetiva y ola. Porcentaje con síntomas PHQ-9>10
datos.g14.1 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion %in% c(1, 17) & !r12_04 %in% c(-888, -999)) %>%
elsoc::prop(r12_04 %in% c(4,5), by = c(ola, cuestion_mig)) %>%
sjlabelled::as_label(ola, cuestion_mig)
datos.g14.1 %>%
ggplot(aes(y = prop, x = ola, color = cuestion_mig, group = cuestion_mig,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 16.1: Con la llegada de migrantes a Chile, está aumentando el desempleo“, según ola y origen de migrantes. Porcentaje de personas que responden”De acuerdo" o Totalmente de acuerdo".
elsoc_long_2016_2021 %>%
mutate(macrozona = factor(case_when(region_cod %in% c(15, 1, 2, 3) ~ 1,
region_cod %in% c(4, 5, 13) ~ 2,
region_cod %in% c(6, 7 , 16, 8) ~ 3,
region_cod %in% c(9, 14, 10, 11, 12) ~ 4),
labels = c('Norte', 'Centro/RM', 'Centro Sur', 'Sur/Austral'))) %>%
filter(tipo_atricion %in% c(1, 17) & !r12_04 %in% c(-888, -999)) %>%
elsoc::prop(r12_04 %in% c(4,5), by = c(ola, cuestion_mig, macrozona)) %>%
sjlabelled::as_label(ola, cuestion_mig) %>%
ggplot(aes(y = prop, x = ola, color = cuestion_mig, group = cuestion_mig,
label = scales::percent(prop, accuracy = .1))) +
facet_wrap(.~macrozona) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 16.2: Con la llegada de migrantes a Chile, está aumentando el desempleo“, según ola, zona y origen de migrantes. Porcentaje de personas que responden”De acuerdo" o Totalmente de acuerdo".
datos.g14.2 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion %in% c(1, 17) & !r12_03 %in% c(-888, -999)) %>%
elsoc::prop(r12_03 %in% c(4,5), by = c(ola, cuestion_mig), na.rm = TRUE) %>%
sjlabelled::as_label(ola, cuestion_mig)
datos.g14.2 %>%
ggplot(aes(y = prop, x = ola, color = cuestion_mig, group = cuestion_mig,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 16.3: “Con la llegada de migrantes, Chile está perdiendo su identidad,” según ola y origen de migrantes. Porcentaje de personas que responden “De acuerdo” o “Totalmente de acuerdo.”
elsoc_long_2016_2021 %>%
mutate(macrozona = factor(case_when(region_cod %in% c(15, 1, 2, 3) ~ 1,
region_cod %in% c(4, 5, 13) ~ 2,
region_cod %in% c(6,7 , 16, 8) ~ 3,
region_cod %in% c(9, 14, 10, 11, 12) ~ 4),
labels = c('Norte', 'Centro/RM', 'Centro Sur', 'Sur/Austral'))) %>%
filter(tipo_atricion %in% c(1, 17) & !r12_03 %in% c(-888, -999)) %>%
elsoc::prop(r12_03 %in% c(4,5), by = c(ola, cuestion_mig, macrozona), na.rm = TRUE) %>%
sjlabelled::as_label(ola, cuestion_mig) %>%
ggplot(aes(y = prop, x = ola, color = cuestion_mig, group = cuestion_mig,
label = scales::percent(prop, accuracy = .1))) +
facet_wrap(.~macrozona) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 16.4: “Con la llegada de migrantes, Chile está perdiendo su identidad,” según ola, zona y origen de migrantes. Porcentaje de personas que responden “De acuerdo” o “Totalmente de acuerdo.”
datos.g14.3 <- elsoc_long_2016_2021 %>%
mutate(confianza = ifelse(ola %in% c(1,3), c06_06, r16)) %>%
filter(tipo_atricion %in% c(1,17) & !confianza %in% c(-888,-999)) %>%
elsoc::prop(confianza %in% c(4,5), by = c(ola, cuestion_mig), na.rm = TRUE) %>%
sjlabelled::as_label(ola, cuestion_mig)
datos.g14.3 %>%
ggplot(aes(y = prop, x = ola, color = cuestion_mig, group = cuestion_mig,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0,1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 16.5: Confianza en migrantes, según ola y origen de migrantes. Porcentaje de personas que responden “Bastante” o “Mucha confianza”
elsoc_long_2016_2021 %>%
mutate(macrozona = factor(case_when(region_cod %in% c(15, 1, 2, 3) ~ 1,
region_cod %in% c(4, 5, 13) ~ 2,
region_cod %in% c(6,7 , 16, 8) ~ 3,
region_cod %in% c(9, 14, 10, 11, 12) ~ 4),
labels = c('Norte', 'Centro/RM', 'Centro Sur', 'Sur/Austral'))) %>%
mutate(confianza = ifelse(ola %in% c(1,3), c06_06, r16)) %>%
filter(tipo_atricion %in% c(1,17) & !confianza %in% c(-888,-999)) %>%
elsoc::prop(confianza %in% c(4,5), by = c(ola, cuestion_mig, macrozona), na.rm = TRUE) %>%
sjlabelled::as_label(ola, cuestion_mig) %>%
ggplot(aes(y = prop, x = ola, color = cuestion_mig, group = cuestion_mig,
label = scales::percent(prop, accuracy = .1))) +
facet_wrap(.~macrozona) +
theme_bw() +
geom_line(size = 1) +
geom_point(size = 1.8) +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_color_viridis_d(begin = 0, end = .66, direction = -1, option = 'viridis') +
ggrepel::geom_text_repel(size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 16.6: Confianza en migrantes, según ola, zona y origen de migrantes. Porcentaje de personas que responden “Bastante” o “Mucha confianza”
datos.g14.4 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion %in% c(1, 17) & ola == 5) %>%
select(r12_03, r12_04, estrato_disenno, segmento_disenno, ponderador02, cuestion_mig) %>%
pivot_longer(cols = c(r12_03, r12_04)) %>%
filter(!value %in% c(-888,-999)) %>%
prop(value %in% c(4,5), by = c(name, cuestion_mig), na.rm = TRUE) %>%
mutate(name = factor(name, levels = c('r12_04', 'r12_03'),
labels = c('Aumenta desempleo', 'Chile pierde su identidad'))) %>%
sjlabelled::as_label(cuestion_mig)
datos.g14.4 %>%
ggplot(aes(y = prop, x = name, fill = cuestion_mig,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .8)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
Figura 16.7: Percepción de amenaza realista y simbólica, según grupo de migrantes (2021). Porcentaje de personas que responden “De acuerdo” o Totalmente de acuerdo".
datos.g14.5 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion %in% c(1, 17) & ola == 5) %>%
mutate(educ = factor(car::recode(m01, "c(1,2,3) = 'Basica'; c(4,5) = 'Media'; c(6,7) = 'Tecnica'; c(8,9,10) = 'Universitaria'"))) %>%
select(r12_03, r12_04, estrato_disenno, segmento_disenno, ponderador02, educ) %>%
pivot_longer(cols = c(r12_03, r12_04)) %>%
filter(!value %in% c(-888,-999)) %>%
prop(value %in% c(4,5), by = c(name, educ), na.rm = TRUE) %>%
mutate(name = factor(name, levels = c('r12_04', 'r12_03'),
labels = c('Aumenta desempleo', 'Chile pierde su identidad')))
datos.g14.5 %>%
ggplot(aes(y = prop, x = name, fill = educ,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .8)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
Figura 16.8: Percepción de amenaza realista y simbólica respecto a inmigrantes, según nivel educacional (2021). Porcentaje de personas que responden “De acuerdo” o Totalmente de acuerdo".
datos.g14.8 <- elsoc_long_2016_2021 %>%
filter(tipo_atricion %in% c(1, 17) & ola == 5) %>%
mutate(edadt = factor(car::recode(m0_edad, "18:29 = 1; 30:49 = 2; 50:64 = 3; 65:150 = 4"),
labels = c('18-29', '30-49', '50-64', '65 o más'))) %>%
select(r12_03, r12_04, estrato_disenno, segmento_disenno, ponderador02, edadt) %>%
pivot_longer(cols = c(r12_03, r12_04)) %>%
filter(!value %in% c(-888,-999)) %>%
prop(value %in% c(4,5), by = c(name, edadt), na.rm = TRUE) %>%
mutate(name = factor(name, levels = c('r12_04', 'r12_03'),
labels = c('Aumenta desempleo', 'Chile pierde su identidad')))
datos.g14.8 %>%
ggplot(aes(y = prop, x = name, fill = edadt,
label = as.character(scales::percent(prop, accuracy = .1)))) +
theme_bw() +
geom_col(position = 'dodge2') +
scale_y_continuous(labels = scales::percent,
limits = c(0, .8)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = 0, end = .85, direction = -1, option = 'viridis') +
theme(legend.position = 'top',
legend.title = element_blank()) +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75)
Figura 16.9: Percepción de amenaza realista y simbólica, según tramo de edad (2021). Porcentaje de personas que responden “De acuerdo” o Totalmente de acuerdo".
elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
filter(ola == 5) %>%
ggplot(mapping = aes(x = fecha)) +
theme_bw() +
geom_histogram(bins = 30) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_x_date(date_breaks = "1 month", date_labels = "%d %b %Y")
Figura 17.1: Histograma Fechas de Entrevistas
elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
filter(!is.na(dias_cuarentena)) %>%
ggplot(aes(x = dias_cuarentena)) +
geom_histogram(bins = 30) +
geom_density() +
theme_bw() +
ylab(label = NULL) +
xlab(label = "Tiempo (Nº de Días)")
(#fig:dias_cuarentena-heter)Heterogeneidad de Cuarentena Acumulada en el Panel
elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
mutate(zona1 = factor(car::recode(region_cod, "c(1,2,3,4,15) = 'Norte'; c(5,6,7,8,16) = 'Centro'; c(9,10,11,12,14) = 'Sur'; 13 = 'Metropolitana'",
levels = c("Norte","Centro","Sur","Metropolitana")))) %>%
dplyr::filter(ola == 5) %>%
prop(dias_cuarentena_t, by = c(zona1), na.rm = TRUE) %>%
add_row(zona1 = 'Sur', dias_cuarentena_t = '0 días', prop = 0) %>%
ggplot(aes(y = prop, x = zona1, fill = dias_cuarentena_t,
label = scales::percent(ifelse(prop>.01, prop, NA), accuracy = .1))) +
theme_bw() +
geom_col(position = 'Stack') +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .85, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75,
color = rep(c('black', 'black', 'white', 'white'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
(#fig:dias_cuarentena-zona)Días de Cuarentena Acumulada al momento de la entrevista, según Zona
elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
mutate(edadt = factor(car::recode(m0_edad, "18:29 = 1; 30:49 = 2; 50:64 = 3; 65:150 = 4"),
labels = c('18-29', '30-49', '50-64', '65 o más'))) %>%
dplyr::filter(ola == 5 & !is.na(dias_cuarentena_t)) %>%
prop(dias_cuarentena_t, by = edadt, na.rm = TRUE) %>%
ggplot(aes(y = prop, x = edadt, fill = dias_cuarentena_t,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Stack') +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('black', 'black', 'white', 'white'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
(#fig:dias_cuarentena-edad)Días de Cuarentena Acumulada al momento de la entrevista, según Tramo Etario
elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
dplyr::filter(!is.na(dias_cuarentena_t) & !c48 %in% c(-888, -999)) %>%
prop(c48 %in% 4:5, by = dias_cuarentena_t, na.rm = TRUE) %>%
ggplot(aes(y = prop, x = dias_cuarentena_t, fill = dias_cuarentena_t,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col() +
scale_y_continuous(labels = scales::percent, limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .85, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'none',
legend.title = element_blank())
(#fig:dias_cuarentena-aislamiento)Cumplimiento de Aislamiento Social, según Días de Cuarentena Acumulada al momento de la entrevista
elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
dplyr::filter(tipo_atricion == 1 & ola == 5) %>%
purrr::map_at(.at = vars(starts_with('s11_0')),
.f = function(s) car::recode(s, "1 = 0; 2 = 1; 3 = 2; 4:5 = 3; c(-888, -999) = NA")) %>%
as.data.frame() %>%
mutate(phq9 = (s11_01 + s11_02 + s11_03 + s11_04 + s11_05 + s11_06 + s11_07 + s11_08 + s11_09),
depr = factor(car::recode(phq9, "0:4 = 1; 5:9 = 2; 10:14 = 3; 15:27 = 4"),
levels = c(1,2,3,4),
labels = c('Sin sintomas o Minima', 'Depresion Media', 'Depresion Moderada', 'Depresion Moderada-Severa\na Severa'))) %>%
prop(depr, by = c(ola, dias_cuarentena_t), na.rm = TRUE) %>%
ggplot(aes(y = prop, x = dias_cuarentena_t, fill = depr,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Stack') +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .85, direction = -1, option = 'viridis') +
geom_text(position = position_stack(vjust = .5),
size= 2.75, color = rep(c('black', 'black', 'white', 'white'), 4)) +
theme(legend.position = 'top',
legend.title = element_blank())
(#fig:dias_cuarentena-depr)Sintomatología Depresiva, según Días de Cuarentena Acumulada al momento de la entrevista
datos.g19.8 <- elsoc_long_2016_2021 %>%
mutate(fecha = as_date(make_date(year = annio_entr, month = mes_entr, day = dia_entr))) %>%
left_join(cuarentenas_acum , by = c('comuna_cod', 'fecha')) %>%
mutate(m44_rec = factor(car::recode(m44, "c(1,2)='Nada o Pocos Ahorros'; c(3)='Algo de Ahorros';c(4,5)='Bastante o Muchos Ahorros'"), levels = c("Nada o Pocos Ahorros", "Algo de Ahorros", "Bastante o Muchos Ahorros"))) %>%
dplyr::filter(ola == 5 & tipo_atricion == 1 & !is.na(dias_cuarentena_t) & !m44_rec %in% c(-888, -999, NA)) %>%
prop(m44_rec=='Nada o Pocos Ahorros', by = c(dias_cuarentena_t), na.rm = TRUE) %>%
sjlabelled::as_label(m44_rec, dias_cuarentena_t)
## 1 variables were not found in the dataset: m44_rec
g19.8 <- datos.g19.8 %>%
ggplot(aes(y = prop, x = dias_cuarentena_t,
label = scales::percent(prop, accuracy = .1))) +
theme_bw() +
geom_col(position = 'Stack') +
scale_y_continuous(labels = scales::percent) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .85, direction = -1, option = 'viridis') +
#cambiar geom_text tal que: Stack y cambio colores
geom_text(position = position_stack(vjust = .5),
size= 2.75, color="white") +
theme(legend.position = 'top',
legend.title = element_blank())
g19.8
(#fig:dias_cuarentena-ahorro)Nivel de Ahorro “Nada o Poco,” según Días de Cuarentena Acumulada al momento de la entrevista (2021)
Figura 17.2: Satisfacción con el Ingreso por Ola
Figura 17.3: Satisfacción con el Ingreso según Retiro AFP
(#fig:clase.sub-benef.estatal)Satisfacción con el Ingreso según Acceso a Beneficios
(#fig:clase.sub.hij-1erretiro)Clase Social Subjetiva de Hijo según Primer Retiro AFP
Figura 17.4: Sobrecarga de Deuda según Primer Retiro AFP
Figura 17.5: Sobrecarga de Deuda según Primer Retiro AFP
elsoc_long_2016_2021 %>%
left_join(elsoc_wide_2016_2021 %>%
filter(!m63_02_w05 %in% c(-888, -999) & !m63_03_w05 %in% c(-888, -999)) %>%
mutate(retiros = factor(case_when(m63_02_w05 == 1 & m63_03_w05 == 1 ~ 1,
m63_02_w05 == 1 ~ 2,
TRUE ~ 3),
levels = c(3, 2, 1),
labels = c('Ningún retiro',
'Primer retiro',
'Primer y segundo\n retiro'))) %>%
select(idencuesta, retiros), by = 'idencuesta') %>%
filter(tipo_atricion == 1 & ola %in% c(3, 5) & !is.na(retiros) &
!m42_01 %in% c(-888, -999) & !m42_02 %in% c(-888, -999) &
!m42_03 %in% c(-888, -999) & !m42_04 %in% c(-888, -999)) %>%
pivot_longer(cols = c(m42_01, m42_02, m42_03, m42_04)) %>%
prop(value, by = c(ola, retiros, name), na.rm = TRUE) %>%
as_label(value, ola) %>%
filter(value == 1) %>%
mutate(name = factor(name,
levels = c('m42_01', 'm42_02', 'm42_03', 'm42_04'),
labels = c('Casa\ncomercial', 'Banco',
'Parientes', 'Otros'))) %>%
ggplot(aes(y = prop, x = name, fill = ola,
label = scales::percent(prop, accuracy = .1))) +
facet_wrap(.~retiros) +
theme_bw() +
geom_col(position = "dodge2") +
scale_y_continuous(labels = scales::percent,
limits = c(0, 1)) +
ylab(label = NULL) +
xlab(label = NULL) +
scale_fill_viridis_d(begin = .33, end = .66, direction = -1, option = 'viridis') +
geom_text(vjust = -0.8,
position = position_dodge(width = .9),
size= 2.75) +
theme(legend.position = 'top',
legend.title = element_blank())
Figura 17.6: Primer retiro de AFP, según deuda
COES (2021) Radiografía del Cambio Social: Análisis de Resultados Longitudinales ELSOC 2016-2021. Presentación de Resultados COES. Septiembre, Santiago de Chile.
Entrada Bibtex:
@techreport{coes_Radiografia_2021,
title = {Radiograf\'ia Del {{Cambio Social}}: {{An\'alisis}} de {{Resultados Longitudinales ELSOC}} 2016-2021.},
author = {COES},
year = {2021},
month = sep,
address = {{Santiago de Chile, Chile}},
institution = {{Centro de Estudios de Conflicto y Cohesi\'on Social}}
}